本文首先从交通参数检测与道路交通污染物浓度预测两方面的理论出发，研究探讨了道路周边大气污染物浓度预测问题，并提出了一个利用神经元网络技术预测大气污染物浓度的模型。本研究旨在为环境管理和交通规划部门相关工作和研究人员提供理论依据，为在制定各项控制措施时提供一种量化的参考指标，来指导城市的交通管理与环境建设。 在交通参数检测中，首先把在路段上空连续拍摄的车流录像转换成数字视频信号存储到计算机中，并把彩色视频帧转换成一组随时间变化的灰度图像序列，其次选取一帧没有运动目标的图像作为背景图像，再次在该图象上设置三个“虚拟线圈”，最后采用背景差法检测通过虚拟线圈的车辆及车速。 在污染物浓度预测的过程中，首先分析影响道路交通污染物浓度的影响因素，建立神经元网络模型的框架结构。其次，为了得到为训练神经元网络模型的数据制定了影响因素观测方案，实施实地观测。再次，将由虚拟线圈监控模型计算得出的交通流数据，如：道路交通的行驶速度、车型比例等对网络进行行训练。最后，利用观测数据训练了神经元网络模型，得到道路两侧CO和CO₂的浓度。 在环境负荷经济损失分析中，通过大气污染物扩散方程推导污染物排放强度与排放量。利用大气污染物的单项社会费用价值对污染气体进行经济损失进行分析，并提出削减对策及建议。 结合大连市的一项实地测量实验，检验本文提出的计算方法和模型，效果比较理想，验证了本研究在道路交通环境负荷预测问题上的可行性和有效性。